Polar Collision Grids: Effective Interaction Modelling for Pedestrian Trajectory Prediction in Shared Space Using Collision Checks

要約

歩行者の軌道を予測することは、特に歩行者と共有する空間において、自動運転車の安全なナビゲーションにとって重要な機能です。
共有スペースでの歩行者の動きは、車両と他の歩行者の両方の存在に影響されます。
したがって、歩行者と歩行者、および歩行者と車両の両方の相互作用を効果的にモデル化することで、歩行者軌道予測モデルの精度を向上させることができます。
深層学習モデルを使用して歩行者の予測軌道に対する相互作用エージェントの影響をエンコードする方法に関する膨大な文献があるにもかかわらず、相互作用エージェントの効果的な選択には限られた労力が費やされてきました。
ほとんどの場合、使用されるインタラクション特徴は主に相対距離に基づいており、インタラクションの定式化における速度や接近方向の影響にはあまり注意が払われません。
この論文では、衝突リスク計算に基づいて相互作用するエージェントを選択するヒューリスティックベースのプロセスを提案します。
衝突する可能性のあるエージェントと対象の歩行者との相互作用に焦点を当て、相互作用効果をエンコードするために、衝突までの時間と 2 つのエージェントの進入方向角度を使用することを提案します。
これは、新しい極衝突グリッド マップを導入することによって実現されます。
私たちの結果は、HBS データセット上の既存の方法 (ベースラインとして使用) と比較して、グラウンド トゥルースに近い予測軌跡を示しています。

要約(オリジナル)

Predicting pedestrians’ trajectories is a crucial capability for autonomous vehicles’ safe navigation, especially in spaces shared with pedestrians. Pedestrian motion in shared spaces is influenced by both the presence of vehicles and other pedestrians. Therefore, effectively modelling both pedestrian-pedestrian and pedestrian-vehicle interactions can increase the accuracy of the pedestrian trajectory prediction models. Despite the huge literature on ways to encode the effect of interacting agents on a pedestrian’s predicted trajectory using deep-learning models, limited effort has been put into the effective selection of interacting agents. In the majority of cases, the interaction features used are mainly based on relative distances while paying less attention to the effect of the velocity and approaching direction in the interaction formulation. In this paper, we propose a heuristic-based process of selecting the interacting agents based on collision risk calculation. Focusing on interactions of potentially colliding agents with a target pedestrian, we propose the use of time-to-collision and the approach direction angle of two agents for encoding the interaction effect. This is done by introducing a novel polar collision grid map. Our results have shown predicted trajectories closer to the ground truth compared to existing methods (used as a baseline) on the HBS dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google